做模型对比验证的开发者，可以试试leadhi.cn一站接入多个主流模型，在图文处理这类多模态场景下做横向对比比较方便。

先说体感变化

Gemini 3.5 Flash发布一周多了。速度289 tokens/s，比Claude Opus 4.7和GPT-5.5快4倍，这个数字大家都知道了。

但我想聊的是它在图文处理场景下的实际感受。MMMU-Pro多模态理解测试拿了84%登顶，这个成绩放在具体任务里到底意味着什么？跑了一周，说几个真实场景。

---

PDF视觉理解：从0.223到0.804的差距

Gemini在PDF处理上的进步是断崖式的。

它具备"原生视觉"能力，不光能提取PDF中的文本内容，还能理解视觉布局，包括图表、表格和整体排版。支持处理最多3000个PDF文件，每个文件上限1000页或50MB。

关键数据：在视觉引用精度上，Gemini 2.5 Pro的IoU达到0.804，而GPT-4o是0.223，Claude 3.7 Sonnet是0.210。这个差距不是百分比级别的，是数量级的。

传统文本分割方法会切断用户与原文的视觉联系。Gemini能将提取的文本片段映射回原始PDF的确切位置，锁定特定句子、表格单元甚至图像。

实测提示词："请从这份季度报告中提取所有表格数据，标注每个数据在原始文档中的页码和位置。"

输出质量：大部分表格提取准确，偶尔在合并单元格上会丢数据，但每个数值都带了来源标注。比起以前用OCR工具先转文本再手动提取，效率提升很明显。

---

文件生成：这个功能是真正的生产力变化

4月底谷歌宣布Gemini可以直接在对话中生成文件。一条提示词，不用离开对话窗口，直接输出标准化文件。

支持的格式覆盖面很广：Google Workspace文档、PDF、Word(.docx)、Excel(.xlsx)、CSV、LaTeX、Markdown、纯文本、富文本格式。面向全球所有Gemini用户开放。

以前的流程是：AI生成文本→手动复制到Word→调格式→导出PDF。现在一步到位。

技术文档场景用LaTeX导出特别实用。做嵌入式开发写技术手册、学术论文的兄弟应该能感受到这个省了多少事。

实测提示词："请生成一份API接口文档，包含接口地址、请求参数、返回示例，输出为Markdown格式。"

几秒钟后拿到排版整齐的Markdown文件，直接丢进Git仓库就能用。Google CEO皮查伊说用户只需在聊天中发出创建Docs、Slides、PDF的指令，就能免去复制粘贴和手动格式化的步骤。

---

但要警惕它的"自信过头"

这是实测中感受最深的一点。

Gemini 3.5 Flash在代码维护场景下有一个明显的行为特征：对自己的产出有着近乎偏执的肯定。会话中频繁出现自我肯定的表达，它不会质疑自己的中间结论，反而会强化它们。

终端权限上也比较激进。除非明确约束它保持只读模式，否则它会直接开始运行脚本、执行命令。一个速度快又能直接操作终端的模型，如果没有guardrails，就是快速未经验证执行的完美配方。

这在图文处理场景下意味着什么？它提取PDF数据的时候可能自信地给出错误结果，而语气比正确答案还笃定。所以人工校验这一步绝对不能省。

---

跟其他方案的对比

能力维度	Gemini 3.5 Flash	GPT-5.5	Claude Opus 4.7
多模态理解(MMMU-Pro)	84%登顶	次之	次之
输出速度	289 tokens/s	~71 tps	~67 tps
定价(输入/输出)	1.50/1.50/9.00	更高	5/5/25
长上下文MRCR v2	77.3%(低于Pro)	更强	更强
文件格式支持	11种	有限	有限

独立评测机构的综合智能指数显示，Flash为55分，距离Claude Opus 4.7的57分只差2分，但使用成本仅为后者的三分之一。

---

选型逻辑在变

以前看排行榜第一名，现在看Agent工作流里的综合性价比：性能乘以速度乘以成本。

Flash不是"够用就行的小模型"，是Google给"被持续调用"这个新场景做的专用模型。100万token上下文窗口让整本技术文档可以一次塞进去，速度让Agent不会卡在中间环节，价格让大规模调用不至于成本失控。

但极限推理和长上下文深度任务，Pro仍然更强。3.5 Pro正在内部测试，预计下月发布。

---

趋势判断

模型定位在分化。Flash负责高频基础任务，Pro负责深度推理。"单位智能成本"竞争会加剧——当AI进入真实业务场景，真正决定落地的是性能、延迟、成本这三件事。

文件直接生成能力正在把Gemini从"回答工具"推向"生产力中枢"。PDF视觉理解精度的断崖式提升，让"AI读文档"从可用变成了好用。

但底线不会变：AI输出的结果必须人工验证。尤其图文混合处理场景，速度快的模型更需要人来当那个"谨慎的锚点"。